本文介绍了一种基于结构规则的稀疏估计方法，通过应用不仅仅关注稀疏性，而且可以考虑一些结构化先验知识，这种方法可以处理多种结构的问题。同时，我们还介绍了该方法在无监督学习、非线性变量选择等方面的应用。

Sep, 2011

通过结构化稀疏主成分分析（Structured Sparse PCA）来处理数据，该方法通过拟定稀疏模式形状约束所有字典元素的稀疏性形状以实现对数据的高阶信息编码，提出了一种有效而简单的优化过程来解决这个问题，并在人脸识别和蛋白质复合物动态研究等两个相关任务上进行了试验，验证了该方法相对于非结构化方法的益处。

Sep, 2009

本文研究基于稀疏性的模型和技术在信号处理和图像应用中的应用，提出了针对特定结构的稀疏化运算符学习问题的交替最小化算法，并对其收敛性进行了分析，证明了在某些假设下，该算法收敛于数据的基础稀疏化模型。同时，数值模拟表明该算法对初始值具有较强的鲁棒性。

May, 2018

本文论述了在压缩感知中利用信号和测量结构进行体现的主题，并将理论与实践相结合，介绍了新的方向及与传统压缩感知的关系。

Jun, 2011

本文提出了一个用于结构化稀疏编码和建模的综合框架，扩展了使用可学习的快速回归器来逼近精确稀疏编码的最近思想，并演示了一个有效的前馈体系结构来近似精确结构化稀疏编码与标准优化方法相比，此体系结构的复杂性仅为一小部分，并且可以应用于大规模实时应用，因此该框架适用于大规模应用的实时情况。

Jun, 2012

提出了一种新的监督表示学习框架，即结构化概率编码（SPC），用于从与目标任务相关的输入中学习紧凑且信息丰富的表示。SPC 可以提高预先训练语言模型的泛化能力以实现更好的语言理解。通过在高斯分布空间中编码隐藏表示，并同时最大化与标签空间相关的潜在表示的先验熵，SPC 可以在一个模块中进行信息编码和任务预测，充分利用输入数据的有效信息并减少随机性和不确定性。结构化正则化促进了概率分布的控制，以保持潜在代码的高斯分布结构，并更好地将隐空间覆盖类别均匀。实验证明，SPC 可以提高预先训练语言模型的性能，适用于各种分类和回归任务，并增强了输出表示的泛化能力、标签噪声鲁棒性和聚类质量。

Dec, 2023

本文研究了一种 N:M 级别的深度神经网络稀疏网络，在专门设计的 GPU 上同时具有非结构化细粒度稀疏性和结构化粗粒度稀疏性的优点，解决了传统稀疏网络的效率问题，同时提出了一种 Sparse-refined Straight-through Estimator 方法，解决了传统优化方法下的负面影响。

Feb, 2021

本文介绍了一种基于数据相关性的一般化界限，适用于许多实现了结构稀疏性限制的正则化算法。该界限可以应用于标准的平方范数正则化、套索 (Lasso)、组套索 (group Lasso)、一些具有重叠组的组套索版本、多核学习 (multiple kernel learning) 和其他正则化方案。在所有这些情况下，都可以获得有竞争力的结果。我们界限的新特点是，它可以应用于无限维度的设置，例如具有可分离的希尔伯特空间的套索 (Lasso) 或具有可数核的多核学习 (multiple kernel learning)。

Aug, 2011

本研究针对多模态分类任务，重新建立了基于树形稀疏模型的优化模型，并提出了一种加速的近端算法，以便高效地实现均质或异质信息源的特征级融合。同时，基于模态可靠性权重的特定模糊集理论，提出了一种算法用于联合优化问题，寻找稀疏编码，从而提供了一种基于质量的融合框架，从而提高了几种基于稀疏模型的多模态分类算法的鲁棒性。最后，本文在三个不同的应用场景下验证了该方法的有效性：多视角人脸识别，多模态人脸识别和目标分类。

Mar, 2014

本文提出了自适应稀疏编码（Self-Paced Sparse Coding，SPSC）框架，可逐步从简单到复杂地包含矩阵元素到编码学习中，以提高其学习鲁棒性并推广到不同层次的自适应学习。试验结果表明了该算法对于处理真实数据的有效性。

Sep, 2017